2026年，中美大模型的差距会变大还是变小？

奥特曼发推祝贺了一个AI科学家系统的发布。

Kosmos这个 AI Scientist 有点离谱。

一次运行能干完科学家 6 个月的活，beta 用户估的时间节省在 6.14 个月左右。读 1500 篇论文，跑 42000 行分析代码

给出 7 个发现，其中 4 个是新成果，还有阿尔茨海默相关假说在真实脑组织里被验证。

更妙的是，全流程可追溯，每个结论都能点回对应论文和代码。

AI 拼命干深度活，人类负责提问题和改方向，科研这套工作流要被重写一遍了。

对博士生的需求大大减少了

———//——-//——-//———

Kosmos: AI Scientist Delivers 6 Months of Discovery in a Day, May 2025 - ListenHub

这个叫KOSMOS的AI Scientist可以用12小时完成人类科学家6个月的工作量，读1500篇论文，写42000行分析代码，提出几个正在被实验室验证的新发现。

成本呢？大概就是200美元。

Kosmos本质上就是个长时程科研代理系统，实际上的核心创新是它维护了一个结构化的世界模型（不知道跟李飞飞的那个有什么不同），可以记录实体、关系、实验结果和待解决问题。能在200轮左右的代理运行中保持连贯性，而不会像普通对话系统那样在长对话中逐渐失焦。

一次典型的Kosmos运行流程是这样的，

你给它一个研究目标，比如"找出低温条件下大脑神经保护的关键代谢通路"，然后它会启动文献检索代理和数据分析代理的循环。文献代理精确定位和提取相关论文中的关键信息。数据分析代理则会在你提供的多组学数据集上运行各种统计检验、差异表达分析、通路富集等标准流程。

两个代理通过世界模型交换信息，前者发现的线索会引导后者的分析方向，后者的发现又会触发新一轮的文献深挖。

整个过程大约持续12小时，产出一份完整的研究报告，包含所有分析代码、统计结果和文献引用。

结果确实引人注目。

独立评估认为报告中79.4%的陈述是准确的。

七位beta用户的主观评价是，一次20轮循环的Kosmos运行相当于他们自己大约6个月的PhD或博士后工作。

这个"6个月"的声明有三重支撑。

首先是直接调查，用户看到输出后估算自己需要多久达到类似结论。

其次是客观对照，Kosmos重现了三个人类团队已经完成的发现，而那些人类项目实际耗时约4个月。

第三是时间核算，如果假设阅读消化一篇论文需要15分钟，一次深度数据分析需要2小时，那么1500篇论文加200个分析轨迹确实折合几个月的全职工作量。

展示的七个案例中。

三个是重现已知发现，包括从低温小鼠脑数据中识别出核苷酸代谢通路，重新发现钙钛矿太阳能电池效率对退火湿度的敏感性，以及复现跨物种神经元连接的数学规律

另外四个是新发现，目前处于假设加初步证据的阶段。

最有潜力的一个是关于阿尔茨海默病的（就是老年痴呆征），Kosmos发现内嗅皮层神经元中特定翻转酶基因的年龄相关丢失，导致磷脂酰丝氨酸暴露，使这些细胞容易被小胶质细胞吞噬。关键是在独立的人类单细胞数据集中，翻转酶表达下降的时间点恰好对应早期tau病理出现的Braak分期。这种跨数据集的一致性增加了可信度。

这个系统的局限性呢？

也同样明显，开发团队相当坦诚。首

先是那21%的错误率不能忽略，特别是当你无法预先知道哪些陈述是错的时候。

其次，倾向于陷入兔子洞，追逐统计上显著但实际不重要的模式。长时间的运行既增加真实发现的概率，也增加浪费算力的风险。

第三，6个月的线性扩展规律只在20轮以内被验证，更长的运行是否还能保持边际收益存在疑问。第四，系统对多重假设检验、混杂因素等统计陷阱并没有内在免疫力，仍然可能大规模产生过拟合的结论。

从应用场景看，Kosmos最适合文献和数据都极度密集、问题边界清晰的领域，比如多组学研究、材料科学的参数优化、某些理论神经科学问题。在这些场景下，主要瓶颈确实是系统性地遍历假设空间和执行标准分析流程，而Kosmos恰好擅长这个。相反，在需要大量隐性知识、实验设计直觉或者问题本身还没有被很好定义的领域，Kosmos的价值会急剧下降。它不会告诉你什么是重要的问题，只会帮你在你已经设定的问题上深挖。

这个系统标志着科研自动化工具从被动辅助向主动执行的转变。Kosmos试图端到端地运行多轮研究战役。它的长期影响是可能不光速度提升，而且重新定义什么样的科研工作算是高价值，什么样的人类技能在新范式下仍然不可替代。

对于正在思考如何将AI整合进科研流程的团队来说，Kosmos提供了一个具体的基准。200美元12小时换一到两个值得追踪的研究线索，在数据丰富的领域这个性价比很难拒绝。但前提是你有足够强的下游能力来验证和过滤它的输出，否则你只是在更快地生产看起来专业但可能误导的报告。

换句话说，你自己得是一个优秀的科学家，才能指望产生优秀的结果。

性价比很难拒绝。但前提是你有足够强的下游能力来验证和过滤它的输出，否则你只是在更快地生产看起来专业但可能误导的报告。

换句话说，你自己得是一个优秀的科学家，才能指望产生优秀的结果。

如果你也想系统学习AI大模型技术，想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习*_，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！